基于半监督学习的启发式值约简  

Heuristical value reduction based on semi-supervised learning

作　　者：王利民[1,2] 李雄飞[1] 王学成[1] 

机构地区：[1]吉林大学计算机科学与技术学院,长春130012 [2]南京大学计算机软件新技术国家重点实验室,南京210093

出　　处：《控制与决策》2010年第10期1531-1535,共5页Control and Decision

基　　金：国家自然科学基金项目(60803055);"十一五"国家科技支撑计划重大项目(2006BAK01A33)

摘　　要：提出一种基于半监督学习的粗糙集知识约简算法(SLRS).SLRS基于对信息论基本概念的引申定义,描述了各条件属性的重要程度以及相互之间的依赖关系.对于数据库中某些记录属性域存在的缺失值,基于半监督学习进行启发式属性值约简,进而求取粗糙集约简决策表,即使在现有知识不足或信息不完备的情况下,也能通过半监督学习构造新的规则补充到知识库中.样例分析及在UCI数据集上的实验结果均表明了所提出算法的合理性和有效性.A rough sets approach named semi-supervised learning rough set（SLRS） is proposed based on semi-supervised learning.Some extended definitions of information theory,such as conditional mutual information between relative values are used to measure the attribute importance and relevancy in a single sample.And then attribute values are reduced heuristically by applying semi-supervised learning.The reduced decision table can be obtained.Even when processing incomplete information systems or lacking prior knowledge,the proposed rules can be learned and added to the knowledge base.The experimental results on UCI machine learning data sets and analysis of the instances show the reasonability and effectiveness of the proposed algorithm.

关 键 词：半监督学习 粗糙集 信息论 值约简 

分 类 号：TP182[自动化与计算机技术—控制理论与控制工程]